Регуляризаторы по наборам обобщенных оценок | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2025. № 73. DOI: 10.17223/19988605/73/11

Регуляризаторы по наборам обобщенных оценок

Предложен новый метод формирования ансамблей алгоритмов распознавания на основе технологии стекинга с использованием регуляризаторов для повышения обобщающей способности моделей. Основное внимание уделено предотвращению переобучения за счет мажорирующих функций, корректирующих отступы объектов от границы между классами. Исследованы условия корректного разделения объектов при обучении базовых алгоритмов и метаалгоритма. Предложен иерархический агломеративный алгоритм группировки признаков, формирующий латентные признаки с учетом внутриклассового сходства и межклассового различия. Показано, что регуляризация отступов и преобразование количественных признаков в номинальные повышают точность распознавания. Установлено, что выбор параметров мажорирующих функций минимизирует расхождение по точности между базовыми и метаалгоритмами. Автор заявляет об отсутствии конфликта интересов.

Скачать электронную версию публикации

Загружен, раз: 2

Ключевые слова

ансамбли алгоритмов, стекинг, регуляризация, мажорирующие функции

Авторы

ФИО	Организация	Дополнительно	E-mail
Игнатьев Николай Александрович	Национальный университет Узбекистана им. Мирзо Улугбека	доктор физико-математических наук, профессор кафедры программного инжиниринга и искусственного интеллекта	n_ignatev@rambler.ru

Всего: 1

Ссылки

Zhou Z.H. Ensemble learning: foundations and algorithms. Chapman & Hall/CRC, 2021. 394 p.

Ignatev N.A. On Nonlinear Transformations of Features Based on the Functions of Objects Belonging to Classes // Pattern Recog nition and Image Analysis. 2021. V. 31 (2). P. 197-204.

Игнатьев Н.А., Акбаров Б.Х. Оценка близости структур отношений объектов обучающей выборки на многообразиях набо ров латентных признаков // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2023. № 65. С. 69-78. doi: 10.17223/19988605/65/7.

Ignatev N.A., Rahimova M.A. Formation and analysis of sets of informative features of objects by pairs of classes // Scientific and Technical Information Processing. 2022. V. 49 (6). P. 439-445.

Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference and prediction. 2nd ed. Springer, 2009. 767 p. (Springer Series in Statistics).

Воронцов К.В. Комбинаторный подход к оценке качества обучаемых алгоритмов // Математические вопросы кибернетики / под ред. О.Б. Лупанов. М. : Физматлит, 2004. Т. 13. С. 5-36.

Игнатьев Н.А., Турсунмуротов Д.Х. Цензурирование обучающих выборок с использованием регуляризации отношений связанности объектов классов // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24 (2). С. 2226-1494. doi: 10.17586/2226-1494-2024-24-2-322-329.

Згуральская Е.Н. Алгоритм выбора оптимальных границ интервалов разбиения значений признаков при классификации // Известия Самарского научного центра Российской академии наук. 2012. № 4-3. С. 826-829.

UCI repository of machine learning databases/molecular-biology/promoter-gene-sequences. URL: https://archive.ics.uci.edu/dataset/67/molecular+biology+promoter+gene+sequences (accessed: 02.07.2025).

UCI repository of machine learning databases. Ionosphere. URL: http://archive.ics.uci.edu/ml/datasets/Heart+Disease (accessed: 02.07.2025).

UCI repository of machine learning databases. spambase. URL: https://archive.ics.uci.edu/dataset/94/spambase (accessed: 02.07.2025).